3.
a)
Frutas<-read.csv("D:\\Users\\MARLON\\Downloads\\dataset-fruits.csv")
View(Frutas)
Frutas$ï.._id<-NULL
Frutas
## paisorigen_id pais_origen producto paisdestino_id pais_destino aÃ.o
## 1 210 Ecuador Banana 32 Argentina 2013
## 2 202 Bolivia Banana 32 Argentina 2013
## 3 221 Paraguay Banana 32 Argentina 2013
## 4 203 Brasil Banana 32 Argentina 2013
## 5 NA Otros Banana 32 Argentina 2013
## 6 210 Ecuador Banana 32 Argentina 2014
## 7 202 Bolivia Banana 32 Argentina 2014
## 8 221 Paraguay Banana 32 Argentina 2014
## 9 203 Brasil Banana 32 Argentina 2014
## 10 NA Otros Banana 32 Argentina 2014
## 11 210 Ecuador Banana 32 Argentina 2015
## 12 202 Bolivia Banana 32 Argentina 2015
## 13 221 Paraguay Banana 32 Argentina 2015
## 14 203 Brasil Banana 32 Argentina 2015
## 15 NA Otros Banana 32 Argentina 2015
## 16 210 Ecuador Banana 32 Argentina 2016
## 17 202 Bolivia Banana 32 Argentina 2016
## 18 221 Paraguay Banana 32 Argentina 2016
## 19 203 Brasil Banana 32 Argentina 2016
## 20 NA Otros Banana 32 Argentina 2016
## 21 210 Ecuador Banana 32 Argentina 2017
## 22 202 Bolivia Banana 32 Argentina 2017
## 23 221 Paraguay Banana 32 Argentina 2017
## 24 203 Brasil Banana 32 Argentina 2017
## 25 NA Otros Banana 32 Argentina 2017
## 26 210 Ecuador Ananá 32 Argentina 2013
## 27 203 Brasil Ananá 32 Argentina 2013
## 28 221 Paraguay Ananá 32 Argentina 2013
## 29 202 Bolivia Ananá 32 Argentina 2013
## 30 206 Costa Rica Ananá 32 Argentina 2013
## 31 NA Otros Ananá 32 Argentina 2013
## 32 210 Ecuador Ananá 32 Argentina 2014
## 33 203 Brasil Ananá 32 Argentina 2014
## 34 221 Paraguay Ananá 32 Argentina 2014
## 35 202 Bolivia Ananá 32 Argentina 2014
## 36 206 Costa Rica Ananá 32 Argentina 2014
## 37 NA Otros Ananá 32 Argentina 2014
## 38 210 Ecuador Ananá 32 Argentina 2015
## 39 203 Brasil Ananá 32 Argentina 2015
## 40 221 Paraguay Ananá 32 Argentina 2015
## 41 202 Bolivia Ananá 32 Argentina 2015
## 42 206 Costa Rica Ananá 32 Argentina 2015
## 43 NA Otros Ananá 32 Argentina 2015
## 44 210 Ecuador Ananá 32 Argentina 2016
## 45 203 Brasil Ananá 32 Argentina 2016
## 46 221 Paraguay Ananá 32 Argentina 2016
## 47 202 Bolivia Ananá 32 Argentina 2016
## 48 206 Costa Rica Ananá 32 Argentina 2016
## 49 NA Otros Ananá 32 Argentina 2016
## 50 210 Ecuador Ananá 32 Argentina 2017
## 51 203 Brasil Ananá 32 Argentina 2017
## 52 221 Paraguay Ananá 32 Argentina 2017
## 53 202 Bolivia Ananá 32 Argentina 2017
## 54 206 Costa Rica Ananá 32 Argentina 2017
## 55 NA Otros Ananá 32 Argentina 2017
## 56 203 Brasil Mango 32 Argentina 2013
## 57 210 Ecuador Mango 32 Argentina 2013
## 58 NA Otros Mango 32 Argentina 2013
## 59 203 Brasil Mango 32 Argentina 2014
## 60 210 Ecuador Mango 32 Argentina 2014
## 61 NA Otros Mango 32 Argentina 2014
## 62 203 Brasil Mango 32 Argentina 2015
## 63 210 Ecuador Mango 32 Argentina 2015
## 64 NA Otros Mango 32 Argentina 2015
## 65 203 Brasil Mango 32 Argentina 2016
## 66 210 Ecuador Mango 32 Argentina 2016
## 67 NA Otros Mango 32 Argentina 2016
## 68 203 Brasil Mango 32 Argentina 2017
## 69 210 Ecuador Mango 32 Argentina 2017
## 70 NA Otros Mango 32 Argentina 2017
## 71 208 Chile Kiwi 32 Argentina 2013
## 72 417 Italia Kiwi 32 Argentina 2013
## 73 504 Nueva Zelanda Kiwi 32 Argentina 2013
## 74 NA Otros Kiwi 32 Argentina 2013
## 75 208 Chile Kiwi 32 Argentina 2014
## 76 417 Italia Kiwi 32 Argentina 2014
## 77 504 Nueva Zelanda Kiwi 32 Argentina 2014
## 78 NA Otros Kiwi 32 Argentina 2014
## 79 208 Chile Kiwi 32 Argentina 2015
## 80 417 Italia Kiwi 32 Argentina 2015
## 81 504 Nueva Zelanda Kiwi 32 Argentina 2015
## 82 NA Otros Kiwi 32 Argentina 2015
## 83 208 Chile Kiwi 32 Argentina 2016
## 84 417 Italia Kiwi 32 Argentina 2016
## 85 504 Nueva Zelanda Kiwi 32 Argentina 2016
## 86 NA Otros Kiwi 32 Argentina 2016
## 87 208 Chile Kiwi 32 Argentina 2017
## 88 417 Italia Kiwi 32 Argentina 2017
## 89 504 Nueva Zelanda Kiwi 32 Argentina 2017
## 90 NA Otros Kiwi 32 Argentina 2017
## 91 208 Chile Palta 32 Argentina 2013
## 92 218 México Palta 32 Argentina 2013
## 93 222 Perú Palta 32 Argentina 2013
## 94 NA Otros Palta 32 Argentina 2013
## 95 208 Chile Palta 32 Argentina 2014
## 96 218 México Palta 32 Argentina 2014
## 97 222 Perú Palta 32 Argentina 2014
## 98 NA Otros Palta 32 Argentina 2014
## 99 208 Chile Palta 32 Argentina 2015
## 100 218 México Palta 32 Argentina 2015
## 101 222 Perú Palta 32 Argentina 2015
## 102 NA Otros Palta 32 Argentina 2015
## 103 208 Chile Palta 32 Argentina 2016
## 104 218 México Palta 32 Argentina 2016
## 105 222 Perú Palta 32 Argentina 2016
## 106 NA Otros Palta 32 Argentina 2016
## 107 208 Chile Palta 32 Argentina 2017
## 108 218 México Palta 32 Argentina 2017
## 109 222 Perú Palta 32 Argentina 2017
## 110 NA Otros Palta 32 Argentina 2017
## moneda_cod moneda totales
## 1 USD Dolares 151963.47
## 2 USD Dolares 30271.17
## 3 USD Dolares 4802.20
## 4 USD Dolares 4765.58
## 5 USD Dolares 0.00
## 6 USD Dolares 162352.90
## 7 USD Dolares 37248.63
## 8 USD Dolares 6372.06
## 9 USD Dolares 7660.75
## 10 USD Dolares 0.00
## 11 USD Dolares 156409.67
## 12 USD Dolares 41815.06
## 13 USD Dolares 8847.91
## 14 USD Dolares 7907.47
## 15 USD Dolares 0.00
## 16 USD Dolares 156873.56
## 17 USD Dolares 38354.46
## 18 USD Dolares 9137.90
## 19 USD Dolares 4797.27
## 20 USD Dolares 14.56
## 21 USD Dolares 188401.45
## 22 USD Dolares 37432.23
## 23 USD Dolares 8876.43
## 24 USD Dolares 4177.66
## 25 USD Dolares NA
## 26 USD Dolares 5825.50
## 27 USD Dolares 602.36
## 28 USD Dolares 774.47
## 29 USD Dolares 437.76
## 30 USD Dolares 88.13
## 31 USD Dolares 5825.50
## 32 USD Dolares 6101.07
## 33 USD Dolares 942.50
## 34 USD Dolares 1042.22
## 35 USD Dolares 482.37
## 36 USD Dolares 0.00
## 37 USD Dolares 6101.07
## 38 USD Dolares 5952.36
## 39 USD Dolares 885.80
## 40 USD Dolares 803.41
## 41 USD Dolares 623.25
## 42 USD Dolares 0.00
## 43 USD Dolares 5952.36
## 44 USD Dolares 6361.72
## 45 USD Dolares 1269.51
## 46 USD Dolares 1142.32
## 47 USD Dolares 360.18
## 48 USD Dolares 0.00
## 49 USD Dolares 6361.72
## 50 USD Dolares 8085.51
## 51 USD Dolares 1778.53
## 52 USD Dolares 898.80
## 53 USD Dolares 157.89
## 54 USD Dolares 200.94
## 55 USD Dolares 8085.51
## 56 USD Dolares 2005.83
## 57 USD Dolares 275.18
## 58 USD Dolares 0.00
## 59 USD Dolares 2152.45
## 60 USD Dolares 144.23
## 61 USD Dolares 0.00
## 62 USD Dolares 2189.14
## 63 USD Dolares 85.50
## 64 USD Dolares 0.00
## 65 USD Dolares 2219.05
## 66 USD Dolares 55.84
## 67 USD Dolares 0.00
## 68 USD Dolares 2749.70
## 69 USD Dolares 28.79
## 70 USD Dolares 0.00
## 71 USD Dolares 11316.54
## 72 USD Dolares 4159.50
## 73 USD Dolares NA
## 74 USD Dolares 58.67
## 75 USD Dolares 4611.40
## 76 USD Dolares 5022.60
## 77 USD Dolares 47.58
## 78 USD Dolares 0.00
## 79 USD Dolares 11277.40
## 80 USD Dolares 4482.19
## 81 USD Dolares NA
## 82 USD Dolares 0.00
## 83 USD Dolares 7916.80
## 84 USD Dolares 6091.73
## 85 USD Dolares 215.61
## 86 USD Dolares 0.00
## 87 USD Dolares 9520.45
## 88 USD Dolares 7825.25
## 89 USD Dolares 217.24
## 90 USD Dolares NA
## 91 USD Dolares 17692.93
## 92 USD Dolares 0.00
## 93 USD Dolares 0.00
## 94 USD Dolares 0.00
## 95 USD Dolares 25466.34
## 96 USD Dolares 0.00
## 97 USD Dolares 0.00
## 98 USD Dolares 0.00
## 99 USD Dolares 25322.14
## 100 USD Dolares 0.00
## 101 USD Dolares 0.00
## 102 USD Dolares 0.00
## 103 USD Dolares 24510.68
## 104 USD Dolares 760.45
## 105 USD Dolares 0.00
## 106 USD Dolares 0.00
## 107 USD Dolares 40222.21
## 108 USD Dolares 1386.43
## 109 USD Dolares 1619.81
## 110 USD Dolares 0.00
b)Resumen
str(Frutas)
## 'data.frame': 110 obs. of 9 variables:
## $ paisorigen_id : int 210 202 221 203 NA 210 202 221 203 NA ...
## $ pais_origen : chr "Ecuador" "Bolivia" "Paraguay" "Brasil" ...
## $ producto : chr "Banana" "Banana" "Banana" "Banana" ...
## $ paisdestino_id: int 32 32 32 32 32 32 32 32 32 32 ...
## $ pais_destino : chr "Argentina" "Argentina" "Argentina" "Argentina" ...
## $ aÃ.o : int 2013 2013 2013 2013 2013 2014 2014 2014 2014 2014 ...
## $ moneda_cod : chr "USD" "USD" "USD" "USD" ...
## $ moneda : chr "Dolares" "Dolares" "Dolares" "Dolares" ...
## $ totales : num 151963 30271 4802 4766 0 ...
head(Frutas)
## paisorigen_id pais_origen producto paisdestino_id pais_destino aÃ.o
## 1 210 Ecuador Banana 32 Argentina 2013
## 2 202 Bolivia Banana 32 Argentina 2013
## 3 221 Paraguay Banana 32 Argentina 2013
## 4 203 Brasil Banana 32 Argentina 2013
## 5 NA Otros Banana 32 Argentina 2013
## 6 210 Ecuador Banana 32 Argentina 2014
## moneda_cod moneda totales
## 1 USD Dolares 151963.47
## 2 USD Dolares 30271.17
## 3 USD Dolares 4802.20
## 4 USD Dolares 4765.58
## 5 USD Dolares 0.00
## 6 USD Dolares 162352.90
tail(Frutas)
## paisorigen_id pais_origen producto paisdestino_id pais_destino aÃ.o
## 105 222 Perú Palta 32 Argentina 2016
## 106 NA Otros Palta 32 Argentina 2016
## 107 208 Chile Palta 32 Argentina 2017
## 108 218 México Palta 32 Argentina 2017
## 109 222 Perú Palta 32 Argentina 2017
## 110 NA Otros Palta 32 Argentina 2017
## moneda_cod moneda totales
## 105 USD Dolares 0.00
## 106 USD Dolares 0.00
## 107 USD Dolares 40222.21
## 108 USD Dolares 1386.43
## 109 USD Dolares 1619.81
## 110 USD Dolares 0.00
dim(Frutas)
## [1] 110 9
c)
require(tidyverse)
## Loading required package: tidyverse
## Warning: package 'tidyverse' was built under R version 4.1.2
## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --
## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.5 v dplyr 1.0.7
## v tidyr 1.1.4 v stringr 1.4.0
## v readr 2.1.0 v forcats 0.5.1
## Warning: package 'ggplot2' was built under R version 4.1.2
## Warning: package 'tidyr' was built under R version 4.1.2
## Warning: package 'readr' was built under R version 4.1.2
## Warning: package 'purrr' was built under R version 4.1.2
## Warning: package 'forcats' was built under R version 4.1.2
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()
Chile<-(Frutas%>%select(aÃ.o,pais_origen,producto,moneda_cod,moneda,totales)
%>%group_by(pais_origen)
%>%filter(pais_origen=="Chile"))
Chile
## # A tibble: 10 x 6
## # Groups: pais_origen [1]
## aÃ.o pais_origen producto moneda_cod moneda totales
## <int> <chr> <chr> <chr> <chr> <dbl>
## 1 2013 Chile Kiwi USD Dolares 11317.
## 2 2014 Chile Kiwi USD Dolares 4611.
## 3 2015 Chile Kiwi USD Dolares 11277.
## 4 2016 Chile Kiwi USD Dolares 7917.
## 5 2017 Chile Kiwi USD Dolares 9520.
## 6 2013 Chile Palta USD Dolares 17693.
## 7 2014 Chile Palta USD Dolares 25466.
## 8 2015 Chile Palta USD Dolares 25322.
## 9 2016 Chile Palta USD Dolares 24511.
## 10 2017 Chile Palta USD Dolares 40222.
Ganancia Palta
require(tidyverse)
DatosChile<-(Frutas%>%select(aÃ.o,pais_origen,producto,moneda_cod,moneda,totales))%>%group_by(pais_origen)%>%filter(pais_origen=="Chile")
Palta<-DatosChile%>%filter(producto=="Palta")
Gananciapalta<-Palta%>%summarise(sum(totales))
Gananciapalta
## # A tibble: 1 x 2
## pais_origen `sum(totales)`
## <chr> <dbl>
## 1 Chile 133214.
Ganancia del Kiwi
require(tidyverse)
DatosChile<-(Frutas%>%select(aÃ.o,pais_origen,producto,moneda_cod,moneda,totales))%>%group_by(pais_origen)%>%filter(pais_origen=="Chile")
Kiwi<-DatosChile%>%filter(producto=="Kiwi")
Gananciakiwi<-Kiwi%>%summarise(sum(totales))
Gananciakiwi
## # A tibble: 1 x 2
## pais_origen `sum(totales)`
## <chr> <dbl>
## 1 Chile 44643.
d)
e)
require(tidyverse)
names(Frutas)
## [1] "paisorigen_id" "pais_origen" "producto" "paisdestino_id"
## [5] "pais_destino" "aÃ.o" "moneda_cod" "moneda"
## [9] "totales"
DatosChile<-(Frutas%>%select(aÃ.o,pais_origen,producto,moneda_cod,moneda,totales))%>%group_by(pais_origen)%>%filter(pais_origen=="Chile")
Kiwi<-DatosChile%>%filter(producto=="Kiwi")
Palta<-DatosChile%>%filter(producto=="Palta")
Grafica
require(plotly)
## Loading required package: plotly
## Warning: package 'plotly' was built under R version 4.1.2
##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
df<-data.frame(Kiwi$pais_origen,Kiwi$totales,Palta$totales)
df
## Kiwi.pais_origen Kiwi.totales Palta.totales
## 1 Chile 11316.54 17692.93
## 2 Chile 4611.40 25466.34
## 3 Chile 11277.40 25322.14
## 4 Chile 7916.80 24510.68
## 5 Chile 9520.45 40222.21
plot_ly(df,x=Kiwi$pais_origen,y=Kiwi$totales,name="Kiwi",type="bar")%>%
add_trace(y=Palta$totales,name="Palta")